Алгоритм машинного обучения для прогнозирования опасностей в линиях электропередач на основе временного ряда
Ключевые слова:
линия электропередачи, временной ряд, прогнозирование риска, Random Forest, логистическая регрессия, Gradient Boosting, SCADA, раннее предупреждение, машинное обучениеАннотация
В статье предлагается модель временного ряда, ориентированная на прогнозирование опасных состояний в линиях электропередачи до возникновения события, а не на его последующее обнаружение. Сформирован физически обоснованный синтетический набор телеметрических данных из 8640 наблюдений за 30 дней с дискретизацией 5 минут. Рассчитаны задержки, скользящие средние, дисперсии и трендовые показатели напряжения, тока, температуры, частоты, коэффициента мощности и активной мощности. Сравнены логистическая регрессия, Random Forest и Gradient Boosting. Для 30-минутного раннего предупреждения гибридная модель 0,4 LR + 0,6 RF получила F1=0,8895 и ROC-AUC=0,9888. Все 21 событие тестового периода были охвачены сигналом за 15–25 минут до начала смоделированной неисправности
Библиографические ссылки
Belagoune, S., Bali, N., Bakdi, A., Baadji, B., & Atif, K. (2021). Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems. Measurement, 177, 109330. https://doi.org/10.1016/j.measurement.2021.109330.
Rafique, F., Fu, L., & Mai, R. (2021). End to end machine learning for fault detection and classification in power transmission lines. Electric Power Systems Research, 199, 107430. https://doi.org/10.1016/j.epsr.2021.107430.
Tunio, M. F. et al. (2025). Performance Comparison Between Deep Learning Models for Fault Classification in Transmission Lines Using Time Series Data. Energy Science & Engineering. https://doi.org/10.1002/ese3.70033.
Balakrishnan, P. (2020). A new intelligent scheme for power system faults detection and classification: A hybrid technique. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 33.
Wu, X. et al. (2020). A novel intelligent fault identification method based on random forests for HVDC transmission lines. Scientific Reports, 10, 5142.
Intelligent fault diagnosis in power systems using Random Forest and ensemble learning. (2026). Measurement: Energy, 10, 100098. https://doi.org/10.1016/j.meaene.2026.100098.
Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324.
Momeni, M., Norouzi Nasab, A., & Abasi, M. (2026). Fault detection, classification, and location in transmission lines compensated with Unified Interphase Power Controller (UIPC) based on random forest algorithm. Measurement, 258, 119020. https://doi.org/10.1016/j.measurement.2025.119020.
Fonseca, G. A. et al. (2022). Fault Classification in Transmission Lines Using Random Forest and Notch Filter. Journal of Control, Automation and Electrical Systems, 33, 598–609. https://doi.org/10.1007/s40313-021-00844-4.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010.
Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21, 6. https://doi.org/10.1186/s12864-019-6413-7.
Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1.
ISO. (2018). ISO 50001:2018 Energy management systems — Requirements with guidance for use. International Organization for Standardization.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
